作为旋转机械中广泛应用的关键部件,滚动轴承的运行状态直接影响机械设备的性能甚至整个生产线的安全,深入开展滚动轴承故障诊断和状态检测技术的研究,对于保障设备平稳运行、减少事故发生具有重要意义。本文以滚动轴承为研究对象,从信号分析及处理角度着手,针对轴承早期故障诊断、复合故障诊断及状态识别这几个关键问题展开了研究,论文所做主要工作及取得成果如下:通过仿真信号对变分模态分解(VMD)和经验模态分解(EMD)的特性进行了对比,并定性分析了惩罚因子和分量个数参数对VMD等效滤波特性的影响。利用VMD和EMD分别对间断合成信号及近频合成信号进行分解处理,结果表明VMD在抑制两种类型模态混叠问题上更具优势。通过分数高斯噪声数值模拟对比了VMD和EMD的等效滤波特性,结果表明VMD具有类似于小波包变换的带通滤波特性。通过改变惩罚因子和分量个数的参数设置,分析验证了这两个参数对VMD等效滤波特性的影响,结果表明惩罚因子、分量个数取值越大,等效滤波器组通频带越窄,反之则呈现相反的作用效果。针对背景噪声环境下滚动轴承早期故障特征微弱、故障识别困难这一问题,提出了基于参数优化变分模态分解的微弱故障诊断方法。在分析粒子群优化算法特点的基础上,讨论了各控制变量的影响。发挥VMD算法灵活的信号处理特性,将其引入到轴承故障诊断中。在实际应用过程中,惩罚因子及分量个数的选取对最终信号分解结果影响较大,为了自动确定最佳参数组合,利用粒子群优化算法对这两个影响参数进行并行搜寻。轴承早期故障仿真信号和全寿命周期加速疲劳实验信号处理结果表明,所提方法能够实现轴承微弱故障的有效辨识,并且与传统诊断方法相比更具优势。针对滚动轴承复合故障特征彼此交叉干扰、故障准确判定难以实现这一问题,提出了一种基于最大相关峭度解卷积(MCKD)和1.5维谱的单通道复合故障诊断方法。分析了解卷积周期、移位数和滤波器长度对MCKD信号处理效果的影响。在MCKD执行解卷积运算时,为了获取最佳滤波器长度,利用基于特征能量比指标的两阶段网格搜索方法进行参数选取。发挥MCKD和1.5维谱各自的优势,将其分别作为预处理及后处理方法对轴承故障信号进行分析。复合故障仿真及实测信号处理结果表明,所提方法能够从原始单通道信号中分离出轴承单一损伤部件对应的故障源信号,实现轴承复合故障的准确判别。为同时兼顾滚动轴承状态识别的自动化程度和精度,提出了将改进多尺度排列熵(IMPE)与双树复小波包变换(DTCWPT)、局部线性切空间排列(LLTSA)和极限学习机(ELM)相结合的状态识别方法。将IMPE理论引入到轴承故障诊断中,讨论了参数设置对熵值计算结果的影响。通过仿真信号对IMPE和MPE进行对比,并将IMPE与DTCWPT相结合来刻画信号样本的特征。为避免特征向量信息冗余对识别精度造成的不利影响,通过LLTSA算法对特征向量进行维数约简,并利用K-fold交叉验证方法对邻域尺寸及本征维数进行选取。发挥ELM处理小样本分类问题的能力,将其作为分类器对样本状态进行自动分类。实测信号验证结果表明所提方法能够准确、有效区分轴承不同的故障类型及故障程度。本文所取得的研究成果为滚动轴承早期故障诊断、复合故障诊断以及状态识别的进一步研究提供了新的思路。